Foto: Data Center (Reuters)
Buletinmedia.com – Perkembangan kecerdasan buatan atau artificial intelligence (AI) memasuki tahap baru. Teknologi AI yang sebelumnya lebih banyak digunakan untuk menjawab pertanyaan melalui chatbot kini mulai berkembang menjadi sistem yang dapat menjalankan pekerjaan secara lebih mandiri.
Perubahan tersebut ditandai dengan semakin berkembangnya AI agent atau agen AI. Berbeda dari chatbot biasa yang umumnya menunggu perintah pengguna sebelum memberikan respons, agen AI dirancang untuk memahami tujuan, menyusun langkah kerja, menggunakan berbagai alat, kemudian menjalankan sejumlah tugas secara otomatis.
Kemampuan tersebut membuat AI semakin dekat dengan konsep asisten digital yang benar-benar dapat bekerja. Pengguna tidak harus memberikan instruksi baru pada setiap tahapan pekerjaan. Cukup memberikan tujuan tertentu, sistem dapat memecah pekerjaan menjadi sejumlah tugas dan mengerjakannya secara berurutan.
Namun, kemampuan AI agent untuk bekerja secara mandiri juga membawa konsekuensi lain yang mulai menjadi perhatian. Di balik proses tersebut terdapat kebutuhan komputasi yang jauh lebih besar.
Semakin banyak tugas yang dikerjakan agen AI, semakin banyak pula proses komputasi yang harus dilakukan pusat data. Artinya, kebutuhan terhadap prosesor, server, sistem pendingin, jaringan, serta listrik ikut meningkat.
International Energy Agency atau IEA menyebut penggunaan AI untuk tugas seperti video generation, reasoning, dan pekerjaan berbasis agentic dapat membutuhkan energi jauh lebih besar dibandingkan penggunaan AI untuk menghasilkan teks sederhana. Dalam beberapa jenis pekerjaan, konsumsi energi per kueri bahkan dapat mencapai ratusan hingga ribuan kali lebih tinggi dibandingkan generasi teks sederhana.
Kondisi tersebut membuat perkembangan AI tidak lagi hanya menjadi persoalan teknologi. Ketersediaan listrik dan pembangunan pusat data juga mulai menjadi bagian penting dalam perlombaan pengembangan AI.
Dari Chatbot ke Agen AI yang Bisa Bekerja Mandiri
Selama beberapa tahun terakhir, chatbot menjadi salah satu bentuk AI yang paling mudah ditemui pengguna.
Pola interaksinya relatif sederhana. Pengguna memasukkan pertanyaan atau perintah, kemudian model AI memprosesnya dan menghasilkan jawaban. Setelah jawaban diberikan, proses biasanya berhenti sampai pengguna memberikan perintah berikutnya.
Agen AI bekerja dengan pola yang berbeda.
Satu instruksi dari pengguna dapat diterjemahkan menjadi serangkaian pekerjaan. Sistem dapat menentukan langkah yang diperlukan, menjalankan satu tugas, memeriksa hasilnya, kemudian melanjutkan ke tugas berikutnya.
Dalam pekerjaan tertentu, proses tersebut dapat berlangsung berulang kali.
Misalnya, seseorang meminta agen AI membuat sebuah situs web. Sistem tidak hanya menghasilkan potongan kode berdasarkan satu perintah. Agen dapat merancang struktur halaman, membuat kode, menjalankan pengujian, menemukan kesalahan, memperbaikinya, membuat basis data, kemudian kembali melakukan pengujian.
Dengan pola seperti ini, satu permintaan dari pengguna dapat menghasilkan puluhan bahkan ratusan proses internal.
Di sinilah perbedaan kebutuhan komputasi antara chatbot biasa dan agen AI mulai terlihat.
Semakin kompleks pekerjaan yang diberikan, semakin banyak langkah yang perlu dilakukan sistem. Setiap langkah membutuhkan pemrosesan model, dan proses tersebut dapat menghasilkan lebih banyak token serta membutuhkan lebih banyak waktu komputasi.
Analis teknologi Maxwell Zeff sebelumnya menggambarkan bagaimana agen AI dapat bekerja dalam waktu yang panjang ketika diberikan tugas kompleks seperti membangun situs web.
Sistem tidak harus berhenti setelah memberikan satu jawaban. Agen dapat memberikan instruksi lanjutan kepada dirinya sendiri untuk menyelesaikan bagian lain dari pekerjaan.
Dalam praktiknya, proses semacam itu membuat satu perintah pengguna berubah menjadi rangkaian aktivitas komputasi yang panjang.
Mengapa Agen AI Membutuhkan Energi Lebih Besar?
Untuk memahami persoalan tersebut, perlu diketahui bahwa setiap kali model AI menjalankan proses inferensi, pusat data harus menyediakan sumber daya komputasi.
Komputer yang menjalankan model AI membutuhkan chip pemrosesan berperforma tinggi, terutama GPU atau akselerator AI. Perangkat tersebut bekerja untuk memproses data dalam jumlah besar dan menghasilkan keluaran dari model.
Tidak hanya chip yang menggunakan listrik.
Server membutuhkan sistem pendingin agar dapat beroperasi pada temperatur yang aman. Pusat data juga membutuhkan jaringan, penyimpanan, sistem kelistrikan, serta berbagai perangkat pendukung lainnya.
Karena itu, konsumsi energi AI tidak hanya berasal dari proses model menghasilkan jawaban.
Ada infrastruktur besar yang bekerja di belakangnya.
Pada chatbot sederhana, satu pertanyaan mungkin hanya menghasilkan satu respons. Sementara itu, agen AI dapat menghasilkan beberapa tahap pemrosesan sebelum tujuan pengguna selesai.
Agen dapat melakukan pencarian, membaca informasi, menulis kode, menjalankan kode, memeriksa hasil, mengulang proses, dan kemudian menghasilkan jawaban akhir.
Jika semua proses tersebut terjadi sekali, kebutuhan energinya mungkin masih relatif kecil.
Masalah mulai muncul ketika aktivitas tersebut dilakukan dalam skala jutaan pengguna.
Apalagi, agen AI diperkirakan akan digunakan untuk pekerjaan yang semakin kompleks. Penggunaan AI tidak lagi terbatas pada menulis teks atau menjawab pertanyaan, tetapi juga dapat mencakup pemrograman, analisis data, penelitian, pembuatan konten, otomatisasi pekerjaan kantor hingga pengoperasian sistem digital.
IEA menilai perubahan jenis penggunaan AI tersebut menjadi salah satu faktor yang membuat perkiraan kebutuhan energi menjadi semakin sulit. Efisiensi model memang terus meningkat, tetapi pada saat yang sama penggunaannya juga berkembang dan jenis pekerjaan yang diberikan kepada AI semakin berat.
Eksperimen Ribuan Agen AI Menunjukkan Besarnya Skala Komputasi
Gambaran mengenai besarnya kebutuhan komputasi agen AI dapat dilihat dari eksperimen terbaru OpenAI dalam menyelesaikan persoalan matematika tingkat tinggi.
OpenAI mengungkap penggunaan sistem yang terdiri atas sekitar 10.000 agen AI secara bersamaan untuk mengerjakan persoalan Navier-Stokes, salah satu masalah matematika terkenal yang termasuk dalam daftar Millennium Prize Problems.
Menurut penjelasan OpenAI, kelompok agen yang mengerjakan penyelesaian Navier-Stokes berjumlah sekitar 10.000 agen secara bersamaan. Agen-agen tersebut bekerja dalam kelompok dan saling bertukar hasil maupun informasi.
Proses untuk menghasilkan penyelesaian tersebut berlangsung sekitar 88 jam setelah agen pertama diluncurkan. Setelah itu, proses formalitas dan verifikasi menggunakan sistem Lean membutuhkan waktu tambahan sekitar 17 jam.
Skalanya bahkan lebih besar jika seluruh persoalan matematika yang dicoba dalam eksperimen tersebut dihitung.
OpenAI menyebut seluruh agen mengirimkan sekitar 4,9 juta pesan dan menghasilkan sekitar 300 miliar output token. Khusus proses penyelesaian Navier-Stokes, agen mengirim sekitar 2,7 juta pesan dan menggunakan sekitar 130 miliar output token.
Angka tersebut memberikan gambaran mengenai perbedaan antara menggunakan AI sebagai chatbot dengan menggunakan AI sebagai sistem agen.
Dalam skenario chatbot, manusia biasanya menjadi pihak yang menentukan langkah berikutnya.
Dalam skenario agen, sebagian langkah tersebut dilakukan oleh sistem.
Agen dapat menghasilkan pekerjaan tambahan berdasarkan hasil pekerjaan sebelumnya. Karena itu, jumlah proses komputasi dapat berkembang jauh lebih besar dibandingkan satu kali interaksi.
Bukan Berarti Setiap Agen AI Selalu Menghabiskan Energi Sangat Besar
Meski demikian, angka besar tersebut tidak berarti setiap kali seseorang menggunakan agen AI, energi yang dikonsumsi otomatis setara dengan eksperimen ribuan agen.
Kebutuhan energi sangat bergantung pada jenis model, perangkat keras yang digunakan, panjang konteks, jumlah token, metode pemrosesan, efisiensi pusat data, serta berapa banyak langkah yang dilakukan agen.
Penelitian yang diterbitkan pada 2026 mengenai penggunaan energi AI inference juga menunjukkan bahwa konsumsi energi per kueri dapat berbeda cukup jauh berdasarkan jenis pekerjaan.
Studi tersebut memperkirakan penggunaan energi untuk kueri biasa pada skala deployment besar berada di sekitar 0,31 Wh per kueri. Namun, kueri reasoning dengan sekitar 5.000 output token dapat membutuhkan energi sekitar 13 kali lebih tinggi dibandingkan kueri standar dalam model perhitungan penelitian tersebut.
Ini menunjukkan bahwa membandingkan konsumsi energi hanya berdasarkan jumlah pertanyaan pengguna bisa menyesatkan.
Dua orang dapat sama-sama menggunakan AI satu kali, tetapi kebutuhan energinya dapat berbeda apabila satu orang meminta jawaban singkat sementara pengguna lain meminta sistem melakukan penalaran panjang, menggunakan berbagai alat, menjalankan kode, dan mengulangi proses beberapa kali.
Pada agen AI, perbedaannya dapat menjadi lebih besar karena sistem dapat melakukan banyak interaksi internal sebelum memberikan hasil akhir.
Sulit Menghitung Konsumsi Energi AI Secara Akurat
Persoalan lain adalah transparansi.
Tidak semua perusahaan teknologi memberikan data lengkap mengenai berapa banyak listrik yang digunakan untuk menjalankan model AI tertentu. Informasi yang tersedia kepada publik sering kali hanya berupa estimasi.
Kondisi tersebut membuat perhitungan konsumsi energi AI menjadi pekerjaan yang tidak sederhana.
Ada perbedaan antara energi yang digunakan untuk melatih model dan energi yang digunakan ketika model melayani permintaan pengguna.
Training membutuhkan komputasi dalam skala besar selama periode tertentu. Sementara itu, inference berlangsung setiap kali model digunakan.
Ketika jumlah pengguna bertambah, kebutuhan inference dapat terus meningkat.
Model yang lebih efisien memang dapat menurunkan konsumsi energi untuk satu permintaan. Akan tetapi, apabila jumlah penggunaan meningkat jauh lebih cepat, total konsumsi energi tetap dapat bertambah.
Fenomena tersebut menjadi salah satu alasan mengapa kebutuhan listrik pusat data kini mendapat perhatian besar.
Sam Altman sebelumnya pernah menyebut estimasi konsumsi energi rata-rata untuk satu kueri ChatGPT. Penelitian terbaru kemudian menggunakan angka tersebut sebagai salah satu pembanding, meski peneliti juga menekankan bahwa perbandingan konsumsi energi antarproduk AI tidak selalu setara karena perbedaan model, perangkat keras, panjang output, dan metode pengukuran.
Dengan kata lain, tidak ada satu angka yang bisa digunakan untuk menggambarkan konsumsi energi seluruh aktivitas AI.
Penggunaan AI Agent Bisa Mengubah Pola Konsumsi Energi
Perubahan terbesar justru terjadi ketika AI tidak lagi digunakan hanya sesekali.
Bayangkan seorang pengguna meminta agen AI melakukan riset mengenai sebuah perusahaan.
Agen mungkin harus mencari informasi, membuka berbagai sumber, membaca dokumen, membandingkan data, membuat tabel, melakukan analisis, kemudian menyusun laporan.
Setiap langkah dapat melibatkan pemrosesan model.
Jika agen menemukan informasi yang kurang lengkap, sistem mungkin melakukan pencarian tambahan. Jika hasil analisis dianggap belum memadai, agen dapat menjalankan proses lain.
Pada akhirnya, satu perintah yang terlihat sederhana dari sisi pengguna dapat menghasilkan banyak aktivitas komputasi di belakang layar.
Skala tersebut menjadi semakin besar ketika agen digunakan dalam lingkungan perusahaan.
Sebuah perusahaan dapat menggunakan ribuan agen untuk menangani pekerjaan administrasi, pemrograman, layanan pelanggan, analisis dokumen, pengolahan data hingga otomatisasi proses bisnis.
Jika masing-masing agen melakukan pekerjaan secara berulang sepanjang hari, total kebutuhan komputasi dapat menjadi sangat besar.
Industri AI Mulai Berlomba Membangun Infrastruktur Raksasa
Pertumbuhan kebutuhan komputasi tersebut membuat perusahaan teknologi menggelontorkan investasi besar untuk pusat data.
Meta menjadi salah satu perusahaan yang memperlihatkan skala ekspansi tersebut.
Pada Juli 2026, Meta mengumumkan perluasan pusat data di Richland Parish, Louisiana, menjadi 5 gigawatt kapasitas komputasi. Fasilitas tersebut menjadi rumah bagi Hyperion, yang disebut Meta sebagai klaster AI training terbesar dalam portofolionya. Investasi untuk proyek tersebut disebut melampaui US$50 miliar.
Besarnya angka tersebut memperlihatkan bahwa persaingan AI tidak lagi hanya berlangsung di tingkat pengembangan perangkat lunak.
Perusahaan juga harus membangun infrastruktur fisik yang mampu menjalankan model dalam skala besar.
Pusat data AI membutuhkan lahan, server, jaringan, sistem pendingin, pasokan air, serta listrik dalam jumlah besar.
Dengan kapasitas komputasi mencapai gigawatt, kebutuhan listrik menjadi bagian penting dalam perencanaan proyek.
Meta menyatakan kesepakatannya dengan Entergy Louisiana mencakup pembangunan tujuh pembangkit listrik berbahan bakar gas alam, tiga baterai skala jaringan, peningkatan kapasitas pembangkit nuklir, serta pembelian daya lainnya untuk mendukung kebutuhan pusat data tersebut. Meta juga menyatakan akan mencocokkan penggunaan energi pusat data dengan 100 persen energi bersih dan terbarukan.
Kondisi tersebut menunjukkan bahwa pembangunan infrastruktur AI memiliki hubungan langsung dengan sektor energi.
Permintaan Listrik Pusat Data Terus Meningkat
Dampaknya mulai terlihat pada sistem kelistrikan.
Di Amerika Serikat, Energy Information Administration memperkirakan konsumsi listrik nasional akan mencapai rekor baru pada 2026 dan 2027. Salah satu faktor yang mendorong pertumbuhan tersebut adalah meningkatnya kebutuhan pusat data yang menggunakan AI secara intensif.
Permintaan listrik dari pusat data menjadi tantangan karena pembangunan pembangkit dan jaringan listrik membutuhkan waktu.
Pusat data dapat dibangun dengan cepat dibandingkan proyek infrastruktur energi tertentu. Namun, jaringan listrik yang dibutuhkan untuk memasok fasilitas tersebut tidak selalu dapat berkembang dengan kecepatan yang sama.
Karena itu, perusahaan teknologi harus memikirkan sumber listrik sejak tahap awal pembangunan pusat data.
Persoalannya bukan sekadar apakah listrik tersedia, tetapi juga apakah listrik tersebut cukup stabil, terjangkau, dan dapat dipasok dalam jangka panjang.
Energi Nuklir Mulai Dilirik untuk Pusat Data AI
Salah satu sumber energi yang semakin sering dibicarakan dalam konteks kebutuhan pusat data adalah nuklir.
Teknologi nuklir dianggap menarik karena pembangkit dapat menghasilkan listrik secara stabil dalam jumlah besar tanpa emisi karbon langsung dari proses pembangkitan.
Selain pembangkit nuklir konvensional, industri juga mulai membicarakan small modular reactor (SMR) sebagai salah satu opsi jangka panjang.
SMR dirancang dengan kapasitas lebih kecil dibandingkan pembangkit nuklir konvensional dan memiliki konsep pembangunan modular.
Namun, teknologi tersebut belum bisa langsung menjadi jawaban untuk seluruh kebutuhan pusat data.
Pembangunan reaktor nuklir membutuhkan proses regulasi, pendanaan, desain, konstruksi, serta pengujian yang panjang.
Artinya, perusahaan teknologi yang membutuhkan listrik dalam waktu dekat tetap harus mengandalkan sumber energi yang sudah tersedia.
Gas Alam Masih Menjadi Bagian dari Infrastruktur AI
Kebutuhan tersebut membuat bahan bakar fosil masih memiliki peran dalam ekspansi pusat data.
Proyek Meta di Louisiana menjadi salah satu contoh. Kesepakatan energinya mencakup pembangunan pembangkit berbahan bakar gas alam sekaligus investasi pada baterai, peningkatan pembangkit nuklir, dan sumber energi lainnya.
Situasi ini memperlihatkan kompleksitas transisi energi di tengah pertumbuhan AI.
Perusahaan teknologi dapat memiliki target penggunaan energi bersih, tetapi pasokan listrik yang tersedia di lokasi tertentu belum tentu sepenuhnya berasal dari sumber terbarukan.
Karena itu, pembangunan pusat data dapat menciptakan kombinasi sumber energi yang berbeda.
Di satu sisi ada energi terbarukan. Di sisi lain ada gas alam, nuklir, baterai penyimpanan, dan jaringan listrik konvensional.
Tantangan AI Bukan Hanya Soal Kecerdasan Model
Perkembangan agen AI selama beberapa tahun ke depan kemungkinan akan mengubah cara manusia menggunakan komputer.
Jika chatbot membuat manusia dapat berkomunikasi dengan komputer menggunakan bahasa sehari-hari, agen AI berpotensi membuat komputer mampu menjalankan pekerjaan yang lebih kompleks berdasarkan tujuan yang diberikan.
Namun, semakin banyak pekerjaan yang diserahkan kepada AI, semakin besar pula kebutuhan infrastrukturnya.
Persoalannya kemudian bergeser.
Pertanyaan mengenai AI bukan lagi hanya, “Seberapa pintar model ini?”
Pertanyaan lainnya adalah, “Berapa banyak komputasi yang dibutuhkan untuk menjalankan model tersebut?”
Kemudian muncul pertanyaan lanjutan mengenai listrik, pusat data, pendinginan, air, jaringan dan sumber energi.
Semua aspek tersebut saling berkaitan.
Efisiensi AI Tetap Menjadi Faktor Penting
Meski kebutuhan energi meningkat, perkembangan teknologi juga dapat meningkatkan efisiensi.
Chip AI terus dikembangkan agar mampu melakukan lebih banyak komputasi dengan konsumsi listrik yang lebih rendah.
Perusahaan pusat data juga mengembangkan sistem pendinginan yang lebih efisien dan metode distribusi beban komputasi yang lebih baik.
Model AI pun terus dioptimalkan.
Penelitian mengenai AI inference menunjukkan bahwa peningkatan pada model, perangkat keras, serta sistem penyediaan layanan berpotensi menurunkan konsumsi energi per kueri secara signifikan. Studi tersebut memperkirakan kombinasi peningkatan model, serving, dan hardware dapat menghasilkan pengurangan energi per kueri sekitar 8 hingga 20 kali dalam skenario tertentu.
Namun, efisiensi tersebut perlu dilihat bersama pertumbuhan penggunaan.
Jika konsumsi energi per permintaan turun, tetapi jumlah permintaan meningkat berkali-kali lipat, konsumsi energi secara keseluruhan masih dapat bertambah.
Inilah salah satu tantangan terbesar dalam memprediksi kebutuhan listrik AI.
Agen AI Bisa Membuat Permintaan Komputasi Semakin Tidak Terduga
Chatbot konvensional relatif mudah dipahami dari sisi pola penggunaan.
Pengguna bertanya, model menjawab.
Agen AI memiliki pola yang lebih dinamis.
Sistem dapat menentukan sendiri berapa banyak langkah yang dibutuhkan untuk menyelesaikan pekerjaan. Dua permintaan yang terlihat serupa dapat menghasilkan jumlah proses internal yang berbeda.
Satu tugas mungkin selesai dalam beberapa langkah.
Tugas lain dapat membutuhkan puluhan atau ratusan langkah.
Dalam skenario yang lebih kompleks, agen juga dapat bekerja bersama agen lainnya.
Eksperimen OpenAI yang melibatkan sekitar 10.000 agen menunjukkan gambaran ekstrem mengenai pola tersebut. Para agen bekerja dalam kelompok, bertukar hasil, menjalankan proses komputasi, dan menggunakan hasil pekerjaan sebelumnya untuk menentukan langkah selanjutnya.
Jika pendekatan seperti ini nantinya digunakan secara luas untuk pekerjaan komersial, kebutuhan komputasi akan sangat bergantung pada bagaimana agen dirancang dan seberapa banyak pekerjaan yang mereka lakukan.
Dunia Mulai Memasuki Era “AI yang Bekerja”
Perubahan dari chatbot menuju agen AI pada dasarnya merupakan perubahan dari AI yang menjawab menjadi AI yang mengerjakan.
Perbedaannya terlihat sederhana, tetapi dampaknya cukup besar.
Ketika AI hanya menjawab pertanyaan, kebutuhan komputasi dapat diperkirakan berdasarkan jumlah interaksi.
Ketika AI mulai bekerja secara mandiri, satu instruksi dapat memicu rangkaian proses yang panjang.
Karena itu, perkembangan AI agent berpotensi menjadi salah satu faktor yang meningkatkan kebutuhan infrastruktur komputasi dunia.
IEA sendiri menilai meningkatnya penggunaan AI untuk reasoning dan agentic tasks menjadi bagian dari perubahan pola konsumsi energi AI. Pertumbuhan tersebut berlangsung bersamaan dengan peningkatan efisiensi teknologi, sehingga proyeksi kebutuhan energi sangat bergantung pada seberapa cepat efisiensi meningkat dibandingkan pertumbuhan penggunaan.
Apa Dampaknya bagi Pengguna?
Bagi pengguna biasa, perkembangan tersebut mungkin tidak langsung terasa.
Seseorang hanya melihat sebuah kotak percakapan di layar dan memberikan perintah.
Namun, di belakang layar terdapat pusat data dengan ribuan server yang memproses permintaan.
Ketika jutaan orang mulai menggunakan agen AI untuk berbagai pekerjaan setiap hari, jumlah proses yang berlangsung di pusat data ikut meningkat.
Dalam jangka panjang, perkembangan tersebut dapat memengaruhi pembangunan pusat data, kebutuhan jaringan listrik, investasi energi, hingga lokasi pembangunan fasilitas komputasi.
Di sisi lain, AI juga berpotensi meningkatkan efisiensi di berbagai sektor.
Agen dapat membantu mengurangi pekerjaan berulang, mempercepat analisis, membantu pemrograman, mengolah dokumen dan mendukung penelitian.
Artinya, konsumsi energi AI perlu dilihat bersamaan dengan manfaat yang dihasilkan oleh teknologi tersebut.
Tantangannya adalah memastikan pertumbuhan tersebut didukung infrastruktur energi yang cukup dan semakin efisien.
Masa Depan AI Akan Sangat Bergantung pada Energi
Perlombaan mengembangkan AI generasi baru pada akhirnya bukan hanya perlombaan membuat model yang semakin pintar.
Perusahaan juga membutuhkan kemampuan untuk menyediakan komputasi dalam skala besar.
Dan komputasi membutuhkan listrik.
Perkembangan pusat data seperti Hyperion di Louisiana menunjukkan seberapa besar investasi yang mulai disiapkan perusahaan teknologi untuk memenuhi kebutuhan AI. Sementara itu, meningkatnya konsumsi listrik pusat data di Amerika Serikat memperlihatkan bahwa kebutuhan tersebut sudah mulai memberikan dampak pada sistem energi.
Pada saat yang sama, teknologi AI terus berkembang menuju sistem yang semakin mandiri.
Agen AI dapat menjalankan tugas lebih lama, menggunakan lebih banyak alat, berinteraksi dengan sistem lain, serta melakukan berbagai tahapan pekerjaan tanpa harus menunggu instruksi manusia setiap saat.
Jika penggunaan teknologi ini berkembang secara masif, kebutuhan energi juga akan menjadi bagian penting dalam pembicaraan mengenai masa depan AI.
Karena itu, pertanyaan mengenai masa depan kecerdasan buatan tidak cukup hanya membahas kemampuan model dalam memahami bahasa, membuat gambar, menulis kode atau menyelesaikan persoalan rumit.
Ada pertanyaan lain yang tidak kalah penting: berapa besar energi yang diperlukan agar semua kemampuan tersebut dapat terus berjalan?
Jawabannya akan bergantung pada perkembangan perangkat keras, efisiensi model, desain agen, jumlah pengguna, pembangunan pusat data, serta sumber listrik yang digunakan untuk menjalankannya.
Satu hal yang mulai terlihat jelas adalah perubahan skala.
AI generasi berikutnya tidak lagi sekadar menunggu manusia bertanya. Sistem tersebut mulai dirancang untuk bekerja, berpikir melalui beberapa tahapan, menggunakan berbagai alat, dan menyelesaikan pekerjaan dengan tingkat kemandirian yang lebih tinggi.
Semakin banyak pekerjaan yang diberikan kepada agen AI, semakin besar pula infrastruktur yang harus berdiri di belakangnya.
Pada akhirnya, masa depan AI bukan hanya ditentukan oleh siapa yang memiliki model paling canggih, tetapi juga oleh siapa yang mampu menyediakan komputasi dan energi yang cukup untuk menjalankan teknologi tersebut secara berkelanjutan.
Sumber : www.kumparan.com
